基于百度指数的中国省域旅游信息流网络结构特征及其影响因素

韩剑磊，明庆忠，史鹏飞，骆登山

(1 云南财经大学 旅游与酒店管理学院，云南 昆明 650221；2 云南财经大学 旅游文化产业研究院，云南 昆明 650221)

随着信息化发展和网络普及率提升，互联网已经成为旅游信息发布、获取和分享的重要平台。搜索网站以及典型旅游门户网站的线路、资源、产品信息对游客现实旅游行为具有很强的导引作用。而用户在客源地对旅游目的地进行关键词等相关信息的搜索，在一定程度上反映了旅游关注度和用户出游需求[1]。规模化的旅游信息搜索行为，实质上形成了客源地和目的地之间旅游信息的有向流动。规律性的流入和流出，使得旅游信息流呈现空间网络化发展的格局[2]，关联起旅游客源地与目的地之间的属性和关系特征，构建起围绕旅游活动而形成的虚拟“流空间”。

流空间是以信息技术为基础的人流、物流和信息流等组成的双向或者多向流动的网络化的动态空间[3]，其为“流”属性运动提供了多维度的空间场域。一方面，信息流作为重要组成部分，进一步将地理空间和网络空间融合编织，拓展形成地理网络空间[4]。部分学者从国家、省级、地市级等不同空间层面分析信息流网络节点之间关联程度、等级格局、组织角色等[5-6],尤其是对中国现阶段信息流空间格局的分析，从省域层面形成了由东到西强度递减的“一极三核心，多点带动”信息网络关联格局的空间特征判断阐述。另一方面，旅游流作为旅游地理学领域核心研究问题，是旅游活动在流空间的特定业态呈现，其研究视角集中在旅游空间迁移现象。广义旅游流包括旅游客流、信息流、资金流、物质流等多种有向矢量的集合[7-8]。国内外学者对于旅游流的研究多围绕旅游客流，从时空分布特征及演化、规模预测、流动规律、驱动机制等方面展开。而作为信息流与旅游流的交叉叠加领域，受限于数据收集的困难以及传统地理空间研究范式的局限，旅游信息流的针对性研究相对较少。旅游信息流是一个地区的旅游信息经过信道到达另一个地区而产生的旅游信息流动[9]。作为伴随相关旅游活动而发生的地区间信息的流动，旅游信息流是旅游流和信息流的重要组成部分，其多元的信息流向及流量对微观旅游行为和宏观旅游客流均具有明显的诱发作用[10]。

旅游大数据的不断发展既推动了旅游网络信息的规模生产和复杂流动，也为基于大数据的旅游信息流网络空间结构研究[11]指明了方向。由于百度指数具有一定的前兆效应[12]，反映出某地的旅游市场规模和出行需求潜力，已经被证实与旅游流的相关关系明显[13]，在旅游网络关注度[14-15]、需求偏好分析[16]、流量预测[17-19]等研究领域得到广泛运用，是旅游信息空间流动性的核心指向标。依托其数据获取优势，并借助社会网络分析方法，从关系角度探讨我国旅游信息流网络，有助于进一步深化、丰富其空间结构特征和驱动机理。同时，将旅游信息流规模依据其流向进行区分，探索性地从旅游目的地、客源地两个方面，深入了解中国各省市在整个旅游市场中的网络地位、关联水平及角色定位，有助于掌握旅游信息流空间结构的特殊性，并促进区域旅游市场的整合优化。

本文通过采集年度旅游百度搜索指数，进行旅游信息流向、流量的衡量，形成中国省域旅游信息流网络，运用社会网络分析、GIS、地理探测器等方法，对其时间截面演化、空间结构特征、影响因素进行分析，揭示我国旅游信息流网络深层次规律及形成机理。

1 数据来源与研究方法

1.1 数据来源

百度指数是衡量规模化网络搜索行为的大数据指标，其以百度关键词搜索量为数据统计基础，分析其在百度网页搜索中的加权频次，从而反映出特定地区人群对于某关注对象的信息获取量，可以在一定程度上用来度量地区之间的信息流量和联系程度[5]。在中国，以百度为首的网络平台已经成为多元旅游信息流动与传递的主要媒介和载体。旅游需求所引致的百度旅游网络搜索关注是旅游信息流量和流向在旅游信源和信宿网络空间的真实表达，从而也反映出旅游信息流的指向和程度。

因此，本文从数据可获取性以及易对比性两个角度出发，以中国大陆地区(除港澳台地区)31个省级行政区划单位作为研究对象，选择旅游百度指数作为旅游信息流指数的规模评价指标。在搜索关键词的选择上，考虑到空间尺度的一致性，以及增加市、县级层面搜索所带来的统计范围不确定性、名称重复导致的数据扰动性，将搜索限定在省域层面，并将搜索规范为“省区名+旅游”，对2012年、2015年、2018年3个完整自然年31个省域相互间的旅游百度指数进行搜集整理。此外，旅游信息流影响因素分析所需的统计指标数据均来源于《中国旅游统计年鉴》《中国统计年鉴》及各省份统计公报。

1.2 研究方法

1.2.1 旅游信息流指数及矩阵构建 借鉴文献[2,20-21]对旅游网络关注度及旅游信息流的相关研究成果，以百度指数为数据基础的海量网民加权行为数据，有助于解释游客流动行为倾向及旅游信息流的空间格局特征与形成机制。

本文利用百度搜索指数来表征省域间旅游信息流指数，选取两两省域间的旅游百度搜索指数Tij、Tji来表征省域间旅游信息流水平。其中，Tij表示i省对j省的旅游百度指数，表征i省对j省的旅游信息流指数；Tji表示j省对i省的旅游百度指数，表征j省对i省的旅游信息流指数，其值越大表示旅游信息流动性越强，旅游市场关联度越紧密；反之，越松散。

进一步，将观测年度各省域之间的旅游信息流指数Tij及Tji分别记为一个31×31的行和列非对称矩阵。考虑到旅游信息流与旅游客流在空间指向上方向相反，为便于后续分析，在此将信息流矩阵进行转置，最终通过旅游信息流有向矩阵构建形成一个加权有向空间网络。

1.2.2 社会网络分析

(1)整体网络属性分析。网络密度表示旅游信息流网络整体关系紧密程度；其值越大，网络联系的紧密程度越强[22]。网络等级度表示省市间旅游信息流非对称的可达程度；等级度越高，代表各省市间的旅游信息流互动频率越低、关系越弱。网络效率反映旅游信息流网络中各省市之间的连接效率；网络效率越低，联系渠道越多元，旅游信息流网络就越稳定[23]。

(2)网络节点属性分析。中心度分析：中心度是衡量节点网络地位和网络影响作用强度的重要指标，包括点度中心度、接近中心度、中间中心度。其中，点度中心度反映节点省市在旅游信息流网络中的位置情况；点度中心度越高，该节点省市在旅游信息流网络中的整体水平越高，处于核心地位。接近中心度反映节点省市在整体旅游信息流网络中与其他省市的关联紧密程度；接近中心度越高，节点省市旅游信息流与其他节点省市之间存在更多的直接关联。中间中心度反映节点省市对其他旅游信息流关联关系的控制程度；中间中心度越高，节点省市控其他旅游信息流关联关系的能力越强，在旅游信息流网络中的权利越大。

核心-边缘分析：旅游信息流网络可划分核心区与边缘区，核心区旅游信息流关系紧密、作用明显，处于网络的优势地位；边缘区关系疏松或之间无关联，处于劣势地位。

结构洞分析：结构洞可以判别旅游信息流空间网络节点优劣势，反映旅游信息流网络节点运用信息流的能力，具体包括有效规模、可达效率、限制度3个指标。节点省市可达效率越高、有效规模越高、限制度越低，则此节点的结构洞水平越高。

2012年，在北京市第十一次党代会上，北京市委明确了通州作为城市副中心的定位目标. 通州全区面积906 km2，共11个乡镇，其中副中心面积为155 km2，涉及到梨园镇、永顺地区、潞城镇、宋庄镇、张家镇等5个乡镇，其中梨园镇、永顺地区、潞城镇几乎全镇面积均包含在城市副中心范围内.

(3)QAP相关性分析。由于解释变量与被解释变量之间的多重共线性，传统计量方法在进行空间关系相关性分析时会因高相关性而失去统计意义。对空间矩阵关系进行QAP相关分析，可以得出稳健、有效的矩阵间相关系数，并对系数进行非参数检验[24]。

1.2.3 地理探测器分析 地理探测器可以进行因子探测、风险探测、生态探测和交互探测等在内的4类探测。本文主要采用地理探测器中的因子探测和交互探测，分析单因子对中国省域旅游信息流网络的影响强度及多因子交互影响程度[25]。

2 结果与分析

2.1 中国省域旅游信息流整体网络分析

从图1明显可以看出，中国省域间旅游信息流在2012年、2015年、2018年的网络关联度均为1，表明各省市之间均存在一定的信息流关联关系，没有孤立省市。具体来看，3个观测年份的网络密度分别为0.425 8、0.425 8、0.372 0，表明中国省域之间旅游信息流关联规模发展呈现一定的下行态势，反映出部分省市间可能出现旅游信息流关联弱化情况，部分地区的信息关联规模水平及相互之间的信息合作交流渠道拓展还有很大的提升空间；3个观测年份的网络等级度分别为0.064 5、0.126 9、0.240 3，旅游信息流网络整体等级度水平相对较低，且呈现明显上升的发展趋势，表明因各省市的投入水平、重视程度、资源条件、市场拓展等方面的差异，中国旅游市场差距在逐渐拉大；3个观测年份的网络效率分别为0.328 7、0.333 3、0.397 7，同样呈现上升态势，说明省域间旅游信息流关联的渠道数量下降，部分地区的信息流关联可能存在一定的障碍，网络的稳定性下降。

图1 2012年、2015年、2018年中国省域旅游信息流整体网络结构Fig.1 The overall network structure of China′s provincial tourism information flow in 2012, 2015 and 2018

由表1可以看出，中国旅游信息流“核心-边缘”空间结构中核心省域数量减少，其空间范围呈收缩态势，这与网络整体结构特点共同说明旅游信息流逐渐向核心地区汇集，反映出中国旅游市场在一定程度上差距增强，马太效应明显。北京、天津、河北、山西、上海、江苏、浙江、山东、河南、湖南、广东、重庆、四川、云南、西藏等省份在不同时段均表现为较为稳定的核心省份，反映出旅游信息流网络中的核心区均为旅游知名度较高、吸引力较强的旅游目的地省市亦或聚散通达性较好的旅游集散地省市。上述省份在不同程度上依托其社会经济水平优势、交通区位优势、政策支持力度、旅游资源禀赋，转化为旅游信息流流向和流量优势，形成旅游信息流市场的主导地位。

表1 中国省域旅游信息流“核心-边缘”结构Tab.1 The “core-edge” structure of China’s provincial tourism information flow

2.2 中国省域旅游信息流节点特征分析

考虑到各观测年度研究表述的相似性，本文以2018年截面数据为代表，将中国省域旅游信息流点度中心度、接近中心度、中间中心度、结构洞等指标自然断点为5类，并进行可视化分析。

2.2.1 旅游信息流规模等级水平 点度中心度表示旅游信息流的规模水平及指向，包括出度和入度两个衡量指标。点度中心度(出度)值表征其他省份对某一省份旅游信息的关注程度，反映了各省市作为旅游目的地的知名度和吸引力水平；点度中心度(入度)值表征某一省份对其他省份旅游信息的关注程度，反映各省市作为旅游客源地的出游意向及潜力水平。整体上看(图2)，出度、入度水平呈现出明显的东、西部分异特征，省域间旅游信息流主要由东部地区外向流出，内向流入中国西部地区，呈现由东到西的信息流向。云南、西藏、重庆、上海、新疆、贵州、北京、海南、四川、广东等点度中心度(出度)排名前10位的省市是中国网络关注度最高的旅游目的地，主要分布在中国西南、西北及东部的北京、上海、广东等地区，是传统意义上的旅游资源集聚区，旅游市场成熟度和知名度较高；北京、广东、江苏、浙江、上海、山东、河南、辽宁、湖北、陕西等点度中心度(入度)排名前10位的省市是中国重要的旅游客源地，主要分布在中国东部和中部经济发达地区及交通区位优势明显地区。北京、上海、广东等省市的旅游信息流出度、入度呈现双高特征，是中国主要的旅游信息流集散中心，同时也是中国的旅游客流核心集散地；而甘肃、内蒙古等省域呈现旅游信息流点度中心度出度、入度双低特征，旅游市场边缘化明显。可以看出，旅游信息流在很大程度上与旅游客流的分布规律具有一定的空间相似性和流动一致性。

图2 中国省域旅游信息流网络规模等级结构Fig.2 The scale and hierarchy structure of China′s provincial tourism information flow network注：基于国家自然资源部标准地图服务网站的标准地图(审图号：GS(2019)1825,1∶4 800万)制作，底图无修改。

2.2.2 旅游信息流网络关联水平 接近中心度表征各省域间旅游信息流网络的关联水平和旅游市场信息化协同程度，包括出度和入度两个衡量指标。接近中心度(出度)值表征省域旅游目的地间旅游信息流的紧密关联程度；其值越高，表明省域间旅游信息流交互紧密，越容易形成旅游目的地市场集群化发展。接近中心度(入度)值表征省域间旅游客源地间旅游信息流的紧密关联程度；其值越高，表明省域间目标客源市场一致性越强，越容易形成旅游客源市场营销一体化协同。从图3可以看出， 中国旅游目的地信息流关联水平由西南部地区向东北部地区递减，形成以西南地区、西北地区、华北地区、华南地区、长江流域地区为组团的空间结构特征，进一步表明上述省市作为旅游目的地的旅游信息交互频繁，旅游信息流集聚化发展，形成以跨区域旅游线路为串联的规模化旅游目的地；中国旅游客源地信息流关联水平由东部地区向中部、西部地区递减，并呈现明显的“胡焕庸线”空间分布特征，形成了东部地区分散型斑块状、中部地区集聚型面状的空间分布格局。其中，东北地区、华东地区、北京、广东等省市区域作为中国发展较早、成熟度较高的旅游客源市场，其旅游信息流、旅游客流的外向流出规模等级高，区域间关联紧密，且趋同的消费能力水平决定了上述地区客源目标市场一体化发展态势明显。

图3 中国省域旅游信息流网络关联水平结构Fig.3 The association level structure of China′s provincial tourism information flow network注：基于国家自然资源部标准地图服务网站的标准地图(审图号：GS(2019)1825,1∶4 800万)制作，底图无修改。

2.2.3 旅游信息流网络效率水平 中间中心度可以刻画旅游信息流网络节点对整体网络信息流资源的控制程度和利用效率，用以表征各省市在整体旅游信息流关联网络中的“权力”地位。中间中心度水平越高，表明网络中越多的信息流关联关系要通过该省市进行中介流转，该省市在网络中起到信息“桥梁”作用越显著且控制力越强。从图4a可以看出，上海、北京、云南、广东等4省市是旅游信息流中转水平最显著地区，成为省域旅游信息流1级中转中心，且对周边省市地区具有明显的辐射带动和涓滴效应；重庆、河南、山东、四川等4省市以及湖南、山西、浙江等3省分别为2级和3级旅游信息流中转中心，并呈现出明显的围绕1级核心省域的“向心”分布特征。

图4 中国省域旅游信息流网络效率水平结构Fig.4 The efficiency level structure of China′s tourism information flow network注：基于国家自然资源部标准地图服务网站的标准地图(审图号：GS(2019)1825,1∶4 800万)制作，底图无修改。

进一步通过结构洞指标，考察旅游信息流网络节点效率水平。可达效率水平和有效规模水平用以刻画节点省市利用信息流进行辐射影响的空间范围，而限制度是节点省市有效利用结构洞进行信息流通关联的限制程度。从图4b、4c、4d对比发现，可达效率、有效规模与限制度水平呈明显的空间负相关关系。整体来看，各省域在有效利用旅游信息流进行空间辐射关联方面表现出东西强、中部次之、南北较弱的“S”型空间分布特征。可达效率和有效规模水平较高的省域地区，依托优势资源禀赋亦或区位优势和社会经济综合实力，处在旅游信息流网络有利位置，具有较好的旅游信息流网络结构洞优势，冗余度低，进而形成对周边地区的明显信息关联辐射影响和强大市场竞争优势。中国偏西北部地区和东北地区由于受地理空间位置的局限，旅游信息流结构洞限制度较高，远离旅游信息流辐射中心，空间流通关联受阻；而中国南方江西、安徽、广西等部分省市受到周边省域的屏蔽效用和虹吸效应，一定程度上出现旅游信息流洼地。

3 影响因素分析

3.1 影响因素指标选取

为深入了解中国省域间旅游信息流网络结构的成因，本文结合上述旅游信息流网络及节点结构特征分析，以中心度及结构洞等相关指标为因变量，对其进行影响因素及程度分析，以阐释我国旅游信息流的影响动因。起源于人口学领域的“推拉理论”对旅游行为所引起的介于客源地和目的地之间的旅游信息流动具有天然的理论解释适用性，其将旅游信息流动驱动机制分为来自旅游客源地出游需求及条件的内在推力和来自旅游目的地的旅游供给及条件的外在拉力两部分。考虑到旅游信道中存在的诸多干扰因素，引入旅游信息流阻力，构建“推力-拉力-阻力”的旅游信息流影响因素驱动理论模型(图5)。

图5 旅游信息流驱动机制理论框架Fig.5 Theoretical framework of driving mechanism of tourism information flow

参考相关文献在旅游流影响因素研究中的因素指标选取原则[26]，选取旅游消费能力、出行便捷程度、旅游信息化水平、社会经济发展水平、旅游资源禀赋、旅游接待水平、空间关联紧密程度、旅游安全水平等相关指标构建影响因素自变量指标体系。一方面，发生在旅游客源地的推动力是旅游信息流产生的原始动力。旅游消费能力是客源地人群是否产生旅游行为意向，进而产生旅游信息搜索行为的基础条件；出行便捷程度是决定旅游最终是否成行的前提，出行方式也是重要的信息搜索内容之一；旅游信息化水平则是旅游信息流信道畅通的技术平台保障。因此，选取旅游消费能力、出行便捷程度、旅游信息化水平3个指标表征旅游信息流影响动因的推动力维度。另一方面，作为发生在旅游目的地的拉动力是旅游信息流指向的决定动力。旅游目的地社会经济发展水平以及旅游接待水平，决定了当地旅游规模承载能力，也是旅游市场知名度的重要影响因素；旅游资源禀赋则在很大程度上直接决定旅游吸引力水平。因此，选择社会经济发展水平、旅游资源禀赋、旅游接待水平3个指标表征旅游信息流影响动因的拉动力维度。此外，阻力作为客源地与目的地之间的中介力，成为旅游信息流流通及流量的重要制约力。根据距离衰减理论，信源与信宿的空间距离及紧密程度是决定旅游信息辐射范围及旅游信息流流量的关键；而非惯常环境的目的地安全性是旅游信息流是否产生的短板制约因素。因此，选择空间紧密水平、旅游安全水平等2个指标表征旅游信息流影响动因的阻力维度。

3.2 影响因素计算过程

首先，对8个自变量指标进行两两省域间的相对差值计算，建立有向差异矩阵；运用QAP相关分析，分别计算因变量关系矩阵和各自变量关系矩阵的相关系数(表2)。其次，针对地理探测器更适用于进行类别数据分析的特点，利用ArcGIS自然断点法将通过相关性检验的连续型变量换为类型变量，进行类别断点划分。再次，利用地理探测器对旅游信息流各因变量指标进行因子探测。结合数据指标的选取并参考文献[27]，对于多维度影响因子探测，其探测力值在0.5以上表示影响作用显著、0.4～0.5表示影响作用较强、0.3～0.4表示影响力一般、0.3以下表示影响作用较弱。

表2 中国省域旅游信息流影响因素指标QAP相关性检验Tab.2 QAP correlation test of influencing factors of China′s provincial tourism information flow

3.3 影响因素探测分析

根据QAP分析结果，各自变量因素与旅游信息流的相关性较强，影响指向明确。其中，推力及拉力因素呈显著正相关，而阻力因素呈显著负相关。从变量影响程度探测整体情况来看(表3)，各变量的影响强弱差异明显。其中，出行便捷程度、旅游资源禀赋、省域空间关联紧密程度3个因素影响作用显著，属于核心影响因素，成为旅游信息流动因的推力、拉力、阻力主作用力因素；旅游消费能力、旅游信息化水平影响作用较为显著，属于重要影响因素；社会经济发展水平、旅游接待水平、旅游安全水平影响程度一般，属于一般影响因素。

表3 中国省域旅游信息流网络影响作用强度探测结果Tab.3 Detection results of the influence intensity of China′s provincial tourism information flow network

从对旅游信息流的规模等级影响来看,旅游信息流点度中心度(出度)水平主要受到来自旅游目的地的拉力、阻力作用影响。在拉力方面，旅游资源禀赋是旅游目的地产生吸引力的根源所在。拥有相当体量的旅游资源和高等级旅游景区，可以使旅游目的地在整个旅游市场中的知名度显著提升，进而产生高的信息流集聚，这与旅游信息关注度较高的地区主要集中在我国旅游资源富集且资源禀赋较高地区的空间格局相吻合；较好的社会经济发展水平和旅游接待设施规模体现了旅游目的地产业规模化发展成熟度高、旅游市场体系完整，在很大程度上是吸引旅游者关注并产生潜在旅游行为的重要因素。在阻力方面，目的地信息流辐射范围的空间距离衰减规律表现明显，远距离的信源、信宿间关联较弱；而旅游关注程度也在很大程度上受目的地安全问题的制约。旅游信息流点度中心度(入度)水平主要受旅游客源地推力作用影响。客源地的消费能力、出行便利化程度、目的地旅游信息获取途径的多样性都会影响旅游意向的产生以及旅游信息搜索行为的发生，这也很好地诠释了我国旅游信息流的流出地主要集中在我国经济发达地区和交通便捷、区位优势明显的东、中部地区。而空间距离与安全性对于客源地旅游信息流的外向产出阻滞影响不明显，这也反映了旅游信息流作为潜在旅游行为的指向，与真正旅游客流的空间流动存在一定的规模和方向差异。

从对旅游信息流网络的关联影响来看，社会经济发展水平、旅游资源禀赋、旅游接待设施水平是正向决定旅游信息流接近中心度(出度)的关键因素，且影响程度依次递减。旅游市场化水平高的旅游目的地之间更容易产生旅游目的地市场信息流集聚化发展和协同效应，促进大量的旅游信息流关联。旅游目的地资源禀赋在很大程度决定了旅游目的地市场共生发展水平，而整体社会经济发展程度、接待设施水平则为目的地市场协同提供了外部配套条件，促进目的地旅游信息流的外向辐射和内向集聚。出行便捷程度、旅游消费能力、信息化水平是正向影响旅游信息流接近中心度(入度)的关键因素，且影响程度依次递减。旅游客源地交通便利程度、消费水平、旅游信息化水平等方面越相似，对于将其作为目标市场的旅游目的地来说，越容易形成统一的客源市场，进而形成区域旅游市场整合营销，带来旅游客源地目标市场的一体化发展；空间关联紧密程度对旅游信息流接近中心度(出度、入度)的反向扰动、削弱作用明显。不管是旅游目的地还是客源地，空间距离是旅游信息关联和旅游市场整合的最为显著的客观阻力因素，呈现明显空间衰减特征。游客在网络信息搜索过程中对于目的地与客源地间的时间和交通成本感知较为敏感，空间距离越远，游客对于该地的关注度相对越低，两地间的信息流关联越小。

从对旅游信息流网络控制效率的影响来看，旅游资源禀赋、出行便捷程度、空间关联紧密程度、旅游安全水平是影响旅游信息流网络节点权力水平及控制效率的重要因素。旅游资源禀赋决定了各省市在整个旅游信息网络中的信息流指向影响权力地位；出行便捷程度、空间紧密程度决定了各省市信息辐射范围和控制半径；突发事件则对省域间旅游信息流产生和流动限制具有负向影响，主要表现在突发事件容易对旅游信息流网络中节点的外向关联造成断崖式破坏，产生旅游信息流“孤岛”，降低其在旅游信息流网络中的影响力。

基于上述因子探测分析，可以发现省域间的旅游信息流作为地理空间和信息空间属性叠加的网络系统，其流向、流量、关联水平、控制效率会受到“推力-拉力-阻力”三方面作用力的综合影响，且其在“客源地-目的地”两个空间维度表现出明显的作用差异。以出行便捷程度为核心影响因素的推力,成为客源地到目的地的旅游信息流内向集聚以及目的地之间旅游信息流区域协同的重要作用力；以旅游资源禀赋为核心影响因素的拉力,成为目的地到客源地的旅游信息流外向辐射以及客源地之间旅游市场整合的重要作用力；以省域空间关联紧密程度为核心影响因素的阻力，则在很大程度上成为影响旅游信息流网络节点地位的关键限制和短板所在。

4 结论与启示

4.1 结论

以中国31个省域空间作为研究对象，通过百度指数的大数据指标分析，借助社会网络分析法，探讨了中国省域间旅游信息流网络空间结构特征及其影响因素，得出以下结论：

从旅游信息流整体网络特征来看，中国省域旅游信息流空间网络无旅游信息流孤点，网络密度呈现下降态势，网络等级度及网络效率呈现上升态势，出现整体关系弱化的空间等级分异发展趋势，反映出我国旅游市场的竞争程度加剧，马太效应显著。等级差异化增强，核心省份数量下降，空间收缩，信息流向高等级地区集聚，部分省市边缘化趋势越发明显。

从旅游信息流网络节点空间特征来看，中国旅游信息流的流向、流量、关联及控制水平呈明显的“客源地-目的地”二元空间异化结构，且表现出一定的空间跳跃性、多中心极核、组团发展、梯度层级结构等复杂空间特征。中国旅游信息流主要由东部地区外向流出，内向流入中国西部地区，呈现由东到西的信息流向，并形成北京、上海、广东等旅游信息流规模出、入度双高地区，成为中国主要的旅游信息集散中心；中国旅游目的地信息流关联水平由西南部地区向东北部地区递减，旅游客源地信息流关联水平由东部地区向中部、西部地区递减，目的地及客源地市场旅游信息流表现出集聚化、一体化空间关联发展特征；中国各省市依据其在旅游信息流网络中的地位和控制力差异，形成3级旅游信息流中转梯度中心，且空间上呈明显的向心分布。各省市在有效利用旅游信息流进行空间辐射关联方面表现出东西强、中部次之、南北较弱的“S”型空间分布特征。

从旅游信息流网络结构影响因素来看，省域旅游信息流作为地理空间和信息空间属性叠加的网络系统，其信息流的流向、流量、网络关联性、网络效率水平受到“推力-拉力-阻力”三方面作用力的综合影响，且其在“客源地-目的地”两个空间维度表现出明显的空间作用差异。

4.2 启示

当前，百度指数作为国内可获取的矢量网络大数据指标之一，对于各省域间旅游信息流的联系指向具有一定的数据衡量和空间表征参考意义。通过各省域间旅游网络关注度的提取，所形成的旅游信息流流向及流量数据，可以突破旅游信息流空间节点的“属性”研究，形成节点“关系”研究的新视角。这在很大程度上既可以反映旅游客源地的旅游行为意向和旅游市场需求水平，也可以在一定程度上表示旅游目的地和客源地之间的客流潜力。一方面，中国旅游市场在整体发展向好的态势下，省域间的旅游信息网络关联关系弱化且部分区域旅游信息流流动边缘化，这在很大程度上源于各省市社会经济发展水平、地理区位优势、交通便捷程度以及网络信息化建设的区间差异，形成了与中国整体信息流“北京—上海—广东”发散三角空间结构相似的等级差异结构；另一方面，由于各省域内部的旅游资源体量、质量规模不一，旅游市场化水平参差不齐，导致出现旅游信息流网络空间“客源地-目的地”二元结构分异，这在很大程度上体现出旅游信息流空间流动性上的特殊性，也为今后从破除区域旅游合作壁垒、加强多目的地旅游信息协同和多客源地旅游市场整合等多元途径进行旅游旅游信息流空间网络结构优化提供了现实指导思路。

同时，由于旅游信息流数据统计覆盖范围的有效性以及统计来源的复杂性，以百度指数为代表的进行关键词统计衡量的测算方法，在有效利用大数据语义信息进行网络分析方面存在一定的不足，在数据获取上会出现一定的噪音干扰，这是大数据统计分析作为一把“双刃剑”的客观所在，也为今后的研究指出了深入方向：一方面，在数据获取上进行大数据质量、完整性和空间精度等评估，并将多元大数据与传统数据相结合开展流空间研究，以降低大数据有偏性；另一方面，跨学科应用复杂性理论和深度学习方法等构建新的模型，进一步研究传统网络分析方法所无法深入揭示的旅游信息流空间复杂性问题。此外，还可以尝试进行特定区域信息流、旅游流、旅游信息流的多维比较，以进一步阐释三者的空间流动规律。